Prediksi Pengaruh Nilai Ulangan Harian Dengan Nilai MID
Semester Bahasa Inggris Menggunakan Algoritma Regresi
Linear Pada SMK Bina Nusantara Ungaran
Nila Rosyida Insani¹, Ajib Susanto²Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Imam Bonjol No. 207, Semarang, 50131, Telp. (024) 3517261
e-mail : [email protected]¹, ajibsusanto[a]gmail.com²
Abstrak— Sekolah Menengah Kejuruan (SMK), adalah jenjang pendidikan menengah di Indonesia setelah lulus Sekolah Menengah Pertama (SMP) atau sederajat. SMK ditempuh dalam kurun waktu 3 tahun, mulai dari kelas X sampai kelas XII. Dalam kurun waktu 3 tahun tersebut, setiap jurusan pada SMK terdapat materi pelajaran yang sama salah satunya yaitu pelajaran bahasa inggris. Bahasa inggris merupakan materi pelajaran yang dipadatkan atau ditambahkan karena disesuaikan dengan materi pelajaran Standar Internasional sehingga pendidikan di dalam negeri dan pendidikan di luar negeri dapat seimbang. Dengan memanfaatkan data mining, penulis melakukan penelitian tentang prediksi nilai mid dengan variabel bebas nilai UHT 1, UHT 2, UHT 3, dan UHT 4 dengan menggunakan algoritma regresi linear berganda. Yang bertujuan untuk mengetahui hubungan antara variabel nilai UHT 1, nilai UHT 2, nilai UHT 3, dan nilai UHT 4 terhadap nilai mid pada masing-masing jurusan (TKJ, Garmen, TSM, dan DKV) dengan menggunakan algoritma regresi linear berganda. Hasil pengujian estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran pada semester I dilakukan dengan menggunak perhitungan hasil estimasi standar error RMSE (Root Mean Square Error) sebesar 277.47.
Kata kunci : bahasa inggris, nilai, estimasi, algoritma regresi linear berganda, RMSE
Abstract— Vocational High School (SMK), is a secondary education in Indonesia after
graduating from junior high school (SMP) or equivalent. SMK reached within a period of 3 years, starting from class X to class XII. In a period of three years, each department at the high school are the subject matter is the same one that is learning English. English is the subject matter that is compacted or added as tailored to the subject matter of International Standards so that education in the country and study abroad can be balanced. By utilizing data mining, the author conducted research on the predictive value of the independent variable value mid UHT 1, UHT 2, UHT 3, and UHT 4 using multiple linear regression algorithm. Which aims to determine the relationship between variables UHT value 1, the value of UHT 2, UHT grades 3 and 4 UHT value to mid value in each department (TKJ, Garments, TSM, and DKV) using multiple linear regression algorithm. Results of testing the application of data mining estimate for the value of the English language by using a linear regression algorithm on SMK Bina Nusantara Ungaran in the first half to use it done with a standard error calculation estimated RMSE (Root Mean Square Error) of 277.47.
Kata Kunci : English, Value, estimation, multiple linear regression algorithm, RMSE
1. PENDAHULUAN
Bahasa inggris merupakan materi pelajaran yang dipadatkan atau ditambahkan karena disesuaikan dengan materi pelajaran
Standar internasional sehingga pendidikan di dalam negeri dan pendidikan di luar negeri dapat seimbang.
Data mining dapat digunakan untuk pengelompokkan data, prediksi, estimasi, dan menentukan kaidah asosiasi dalam suatu data yang ada. Perlunya data mining karena adanya sejumlah data besar yang dapat digunakan untuk menghasilkan informasi dan knowledge yang berguna.
Informasi dan knowledge yang didapat tersebut dapat digunakan untuk mengetahui suatu pola dalam suatu data yang banyak, terlebih lagi besarnya kebutuhan untuk mengubah data tersebut menjadi informasi yang berguna. Metode data mining bermacam-macam disesuaikan dengan kebutuhan yang ada[3].
Belum begitu banyak penelitian yang membahas tentang estimasi nilai mata pelajaran khususnya nilai SMK. Adanya estimasi nilai bagi pihak sekolah berfungsi sebagai acuan dalam proses belajar mengajar karena dengan menerapkan estimasi pada setiap nilai mata pelajaran, dapat menjadi tolak ukur dan membantu dalam proses meningkatkan kualitas belajar apabila nilai yang diperoleh tidak memenuhi syarat ketuntasan.
Berdasarkan pertimbangan di atas, penulis akan melakukan penelitian dengan mengambil objek dari SMK BINA NUSANTARA Ungaran yang beralamat di Jalan Kisarino Mangunpranoto, Bandarjo, Ungaran Barat. Di SMK BINA NUSANTARA UNGARAN terdapat 4 jurusan, yaitu TKJ, Garmen, TSM, dan DKV.
Masing-masing jurusan tersebut terdapat mata pelajaran bahasa inggris yang siswa-siswi pelajari dari kelas X sampai kelas XII. Dengan menggunakan variabel nilai bahasa inggris, yaitu nilai Ulangan Harian Terprogram (UHT) 1, nilai Ulangan Harian Terprogram (UHT) 2, nilai Ulangan Harian Terprogram (UHT) 3, dan nilai Ulangan Harian Terprogram (UHT) 4 akan diketahui pengaruh kedua nilai tersebut terhadap nilai mid.
Dalam penelitian ini, penulis menggunakan pendekatan data mining dengan penerapan model regresi linear berganda akan dilakukan untuk estimasi nilai siswa untuk
mengetahui pengaruh nilai ulangan harian terhadap nilai mid dengan menggunakan algoritma regresi linear. Penelitian ini menggunakan RMSE (Root Mean Square Error) untuk menghitung standar error hasil estimasi.
Oleh karena itu penulis melakukan prediksi tentang pengaruh nilai UHT dengan nilai MID. Sehingga dengan adanya perhitungan estimasi tersebut dapat diperkirakan hasil nilai yang kemungkinan didapat pada saat ujian mid, sehingga pihak SMK dapat meningkatkan kualitas belajar siswanya apabila nilai kurang memenuhi syarat ketuntasan. 2. METODE PENELITIAN
Metode penelitian yang digunakan dalam penulisan Tugas akhir ini, sebagai berikut:
2.1 Instrumen Penelitian
Berdasarkan permasalahan yang telah diuraikan pada bab sebelumnya, diperlukan bahan dan peralatan yang dapat membantu dalam proses kelancaran pembuatan penelitian ini yang meliputi:
2.1.1 Bahan
Dalam penelitian ini bahan yang dibutuhkan dan digunakan adalah data nilai bahasa inggris semester I tahun ajaran 2016/2017 siswa SMK Bina Nusantara Ungaran yang beralamat di Jalan Kisarino Mangunpranoto, Bandarjo, Ungaran Barat.
2.1.2 Peralatan
Dalam penelitian ini diperlukan peralatan yang meliputi kebutuhan perangkat keras (hardware) dan kebutuhan perangkat lunak (software). Kebutuhan perangkat keras dan kebutuhan
perangkat terdiri sebagai
berikut:
Kebutuhan perangkat keras:
a. Processor Intel (R) Pentium IV Core i5
b. RAM 2048MB c. Layar monitor 14” d. Flashdisk 8GB
Kebutuhan perangkat lunak:
a. Sistem : Microsoft Windows 7
b. Editor Web : Adobe Dreamweaver c. HTTP Server: Apache (2.2.4) +
PHP (5.2.3)
d. Database : MySQL (5.1) e. Browser : Firefox. 2.2 Prosedur Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data yang diperoleh menurut sifat dan cara memperolehnya, yaitu data kualitatif, data kuantitatif, dan data primer.
Menurut sifatnya: - Data kualitatif
Data yang diperoleh bukan dalam bentuk bilangan, yaitu nama, jenis kelamin, agama, jurusan, dan kelas. - Data kuantitatif
Data yang diperoleh berupa bilangan, yaitu NIS, nilai UHT 1, nilai UHT 2, nilai UHT 3, nilai UHT 4, dan nilai mid. Dengan jumlah data asli sebanyak 994.
Menurut cara memperolehnya: - Data primer
Data yang diperoleh secara langsung dari sumber yang menjadi objek penelitian. Data yang diperoleh dari SMK Bina Nusantara Ungaran tersebut berupa data nilai bahasa inggris dalam bentuk softcopy di Microsoft Excel.
Digunakan beberapa studi pustaka dalam membantu penyusunan tugas akhir ini yang merupakan data sekunder seperti: 1. E-book mengenai data mining dan
algoritmanya.
2. Jurnal mengenai kasus estimasi dan model regresi linear berganda.
3. Penelitian sebelumnya yang digunakan sebagai referensi dan tinjauan pustaka
.
2.3 Teknik analisis Data
Beberapa tahapan dilakukan dalam penelitian ini terhadap data yang akan diuji. Tahapan yang dilakukan antara lain :
1. Menyeleksi data asli yang diperoleh menjadi data yang siap digunakan dalam penelitian.
2. Mengelompokkan data berdasarkan jurusan.
3. Melakukan perhitungan estimasi menggunakan algoritma regresi linear berganda.
4. Melakukan perhitungan standar error dari hasil estimasi.
2.4 Metode Yang Diusulkan
Metode yang diusulkan untuk perhitungan estimasi menggunakan algoritma regresi linear, sebagai berikut:
Gambar 2.1 Metode yang diusulkan
Dari gambar 2.1 dapat dijelaskan langkah-langkah sebagai berikut:
1. Data yang akan diuji untuk penelitian adalah data nilai bahasa inggris yang terdiri dari nilai UHT 1, nilai UHT 2, nilai UHT 3, nilai UHT 4, dan nilai mid.
2. Data nilai bahasa inggris yang masih berupa data asli diseleksi dengan menghilangkan nilai atau angka 0 (nol) guna mempermudah proses perhitungan. Nilai 0 (nol) tersebut dikarenakan nilai belum masuk pada rekap data.
3. Mengelompokkan data nilai bahasa inggris sesuai dengan jurusan (TKJ, Garmen, TSM dan DKV).
4. Menentukan variabel, perhitungan, dan model menggunakan tahapan regresi linear berganda.
5. Menuliskan persamaan regresi setelah mendapatkan model atau rules. 6. Dilakukan estimasi perhitungan.
7. Menghitung RMSE (Root Mean Square Error) untuk mengetahui seberapa besar error yang didapat HASIL DAN PEMBAHASAN
3.1 Perhitungan Algoritma Regresi Linear Diketahui sampel data nilai mata pelajaran Bahasa Inggris siswa kelas X TKJ I semester I dari SMK BINA NUSANTARA Ungaran seperti tabel 3.1.
Tabel 3.1 Nilai Bahasa Inggris
Tabel 3.1 di atas terdiri dari sampel data yang masing-masing berjumlah 30. Setelah diketahui sampel data seperti tabel 3.1, kemudian dilakukan perhitungan sehingga data yang telah dihitung tersebut dapat digunakan sebagai data pembantu untuk proses perhitungan selanjutnya seperti tabel 3.2.
Dari tabel 3.2 di atas terdapat 5 variabel yang digunakan, yaitu X1, X2, X3, X4 dan Y yang masing-masing mempunyai nilai berbeda dan terdiri dari 2 jenis variabel yaitu
variabel independen/bebas dan variabel dependen/tidak bebas. Dalam penelitian ini, nilai UHT1, UHT2, UHT3, UHT4 dilambangkan X1, X2, X3, X4 yaitu sebagai variabel independen, sedangkan nilai mid dilambangkan Y, yaitu sebagai variabel dependen. Setelah menentukan jenis variabel kemudian dicari nilai bobot a, a1, a2, a3 dan a4 dengan menggunakan algoritma linear regresi, yaitu regresi linear berganda sehingga didapat persamaan regresi
∑ x12 = ∑ X12 – (( ∑ X1 )2 / n ) = 147583 – (4272489 / 30)= 5166,7 ∑ x22 = ∑ X22 – (( ∑ X2 )2 / n ) = 182885 – (5121169 / 30) = 12179,4 ∑ x32 = ∑ X32 – (( ∑ X3 )2 / n) = 186350 – (5373124 / 30)= 7245,9 ∑ x42 = ∑ X42 – (( ∑ X4 )2 / n) = 156313 – (4330561 / 30)= 11961 ∑ y2 = ∑ Y2 – (( ∑ Y )2 / n) = 92594 – (2528100 / 30) = 8324 ∑ x1y = ∑ X1Y – (( ∑ X1.∑ Y ) / n) = 110480 – ((2067.1590) /30) = 929 ∑ x2y = ∑ X2Y – (( ∑ X2 . ∑ Y ) / n) = 120561 – ((2263.1590) /30) = 622 ∑ x3 y = ∑ X3Y – (( ∑ X3 . ∑ Y ) / n) = 122250 – ((2318.1590) /30) = -604 ∑ x4 y = ∑ X4Y – (( ∑ X4 . ∑ Y ) / n) = 107294 – ((2081.1590) /30) = -2999 ∑ x1 x2 x3 x4 = ∑ X1X2 X3X4– ((∑ X1.∑ X2.∑ X3.∑ X4 ) / n) = 866558323 – ((2067.2263.2318.2081 ) /30) = -751257165667,6
Setelah mendapatkan hasil dari perhitungan di atas, kemudian dilakukan perhitungan untuk mencari a, b1, b2, b3, b4
b
1=
[
(
Σ x
42. Σ x
32. Σ x
22. Σ x
1y
)
−
(
Σ x
4y . Σ x
3y . Σ x
2y . Σ x
1x
2x
3x
4)
]
[
(
Σ x
12. Σ x
2 2. Σ x
3 2. Σ x
4 2)
–
(
Σ x
1x
2x
3x
4)
²]
¿
[
(11961 x 7245,9 x 12179,4 x 929 ) – (−2999 x−604 x 622 x−751257165667,6 )]
[(
5166,7 x 12179,4 x 7245,9 x 11961) – (−751257165667,6)² ]
¿
−
0.0015
b
2=
[
(
Σ x
42. Σ x
32. Σ x
12. Σx
2y
)
−
(
Σ x
4y . Σ x
3y . Σ x
1y . Σ x
1x
2x
3x
4)
]
[
(
Σ x
12. Σ x
2 2. Σ x
3 2. Σ x
4 2)
–
(
Σ x
1x
2x
3x
4)
²]
¿
[
(11961 x 7245,9 x 5166,7 x 622) – (−2999 x−604 x 929 x−751257165667,6)]
[
(5166,7 x 12179,4 x 7245,9 x 11961) – (−751257165667,6)² ]
¿−0.0022b
3=
[
(
Σ x
42. Σ x
2 2. Σ x
1 2. Σx
3y
)
−
(
Σ x
4y . Σ x
2y . Σ x
1y . Σ x
1x
2x
3x
4)
]
[
(
Σ x
12. Σ x
22. Σ x
32. Σ x
24)
–
(
Σ x
1x
2x
3x
4)
²]
¿
[
(11961 x 12179,4 x 5166,7 x−604 ) – (−2999 x 622 x 929 x −751257165667,6)]
[(
5166,7 x 12179,4 x 7245,9 x 11961) – (−751257165667,6) ²]
¿0.0023b
4=
[
(
Σ x
32. Σ x
2 2. Σ x
1 2. Σx
4y
)
−
(
Σ x
3y . Σ x
2y . Σ x
1y . Σ x
1x
2x
3x
4)
]
[
(
Σ X
1 2. Σ X
2 2. Σ X
3 2. Σ X
4 2)
–
(
Σ x
1x
2x
3x
4)
²]
¿
[
(7245,9 x 12179,4 x 5166,7 x−2999) – (−604 x 622 x 929 x−751257165667,6)]
[(
5166,7 x 12179,4 x 7245,9 x 11961) – (−751257165667,6) ²]
¿0.0005a=
(
ΣY ) –
(
b
1. Σ X
1)
–
(
b
2 .Σ X
2)
–
(
b
3 .Σ X
3)
–
(
b
4.Σ X
4)
n
¿53.0569Dari perhitungan di atas, didapatkan persamaan regresi linear sebagai berikut: Y = 53.0569 + (- 0.0015 X1) + (-0.0022 X2) +
(0.0023 X3) +( 0.0005 X4)
Dengan menggunakan persamaan regresi linear di atas, maka estimasi estimasi penerapan data mining untuk nilai bahasa inggris dengan memasukkan X1(UHT1), X2(UHT2), X3(UHT3), X4(UHT4) seperti tabel 3.3 di bawah ini :
Tabel 3.3 Data hasil estimasi
3.1.2 Perancangan Database
Database estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran terdiri dari 5 tabel yaitu tabel penjualan, tabel bulan, tabel retur, tabel rule, tabel hasil.
1. Tabel Jurusan
Tabel jurusan pada tabel 3.4 digunakan untuk menyimpan data jurusan pada SMK
Bina Nusantara Ungaran. Tabel 3.4 Tabel jurusan 2. Tabel Siswa
Tabel siswa pada tabel 3.5 digunakan untuk menyimpan data siswa SMK Bina Nusantara Ungaran Field Name Type Siz e Ke y Keteranga n Kdjurusan Varcha r 3 * Kode Jurusan Nmjurusa n Varcha r 30 Nama Jruusan
Tabel 3.5. Tabel Siswa Field
Name
Type Size K Keteranga n
Nis Varchar 7 * Nomor
Induk Siswa
Nama Varchar 30 Nama
Siswa Kdjurus
an
Varchar 3 Kode
Jurusan
Jenkel Varchar 1 Jenis
Kelamin 3. Tabel Nilai
Tabel nilai pada tabel 3.6 digunakan untuk menyimpan data nilai bahasa Inggris siswa SMK Bina Nusantara Ungaran.
Tabel 3.6. Tabel Nilai Field
Name
Type Siz e
K Keterangan
Nis Varchar 7 * Nomor Induk
Siswa
Uht1 Int 3 Nilai Uht1
Uht2 Int 3 Nilai Uht2
Uht3 Int 3 Nilai Uht3
Uht4 Int 3 Nilai Uht4
Mid Int 3 Nilai Mid
3.2 Pembahasan 3.2.1 Login
Halaman login seperti pada gambar 3.1 digunakan untuk masuk ke estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Gambar 3.1 Login
Untuk masuk ke estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran, isi username dan password kemudian klik tombol login, jika login valid maka akan ditampilkan halaman estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran dan jika salah akan ditampilkan pesan seperti gambar 3.2.
Gambar 3.2. Pesan Username atau Password Salah
3.2.2 Jurusan
Halaman jurusan seperti pada gambar 3.3 digunakan untuk memasukkan data jurusan yang ada pada SMK Bina Nusantara Ungaran yang ada di estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Kode jurusan akan terisi secara otomatis dengan format J99 yaitu J merupakan inisial dari jurusan dan 99 merupakan urutan data jurusan dari tabel r jurusan. Isi nama jurusan dan klik tombol simpan untuk menyimpan data jurusan. Klik tombol edit kemudian isi nama jurusan dan klik tombol simpan untuk mengubah data jurusan. Klik tombol hapus dan pilih oke untuk menghapus data jurusan. 3.2.3 Siswa
Halaman siswa seperti pada gambar 3.4 digunakan untuk memasukkan data siswa pada SMK Bina Nusantara Ungaran yang ada di estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Gambar 3.4. Siswa
Isi nama, jurusan, jenis kelamin dan klik tombol simpan untuk menyimpan data siswa SMK Bina Nusantara Ungaran. Klik tombol edit kemudian isi nama, jurusan, jenis kelamin dan klik tombol simpan untuk
mengubah data siswa SMK Bina Nusantara Ungaran. Klik tombol hapus dan pilih oke untuk menghapus data siswa SMK Bina Nusantara Ungaran.
3.2.4 Nilai
Halaman nilai seperti pada gambar 3.5 digunakan untuk memasukkan data nilai siswa pada SMK Bina Nusantara Ungaran yang ada di estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Gambar 3.5. Nilai
Isi siswa, nilai UHT1, nilai UHT2, nilai UHT3, nilai UHT4, nilai mid dan klik tombol simpan untuk menyimpan data nilai. Klik tombol edit kemudian isi nilai UHT1, nilai UHT2, nilai UHT3, nilai UHT4, nilai mid dan klik tombol simpan untuk mengubah data nilai. Klik tombol hapus dan pilih oke untuk menghapus data nilai.
3.2.5 Regresi
Halaman regresi seperti pada gambar 3.6 digunakan untuk melihat hasil estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungar. Pilih jurusan dan klik tombol proses untuk melihat estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Gambar 3.6. Regresi
3.2.6 Admin
Halaman admin seperti pada gambar 3.7 digunakan untuk memasukkan data pengguna estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran
Isi siswa, nilai UHT1, nilai UHT2, nilai UHT3, nilai UHT4, nilai mid dan klik tombol simpan untuk menyimpan data nilai. Klik tombol edit kemudian isi nilai UHT1, nilai UHT2, nilai UHT3, nilai UHT4, nilai mid dan klik tombol simpan untuk mengubah data nilai. Klik tombol hapus dan pilih oke untuk menghapus data nilai.
3.2.7 Regresi
Halaman regresi seperti pada gambar 3.6 digunakan untuk melihat hasil estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungar. Pilih jurusan dan klik tombol proses untuk melihat estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Gambar 3.6. Regresi
3.2.8 Admin
Halaman admin seperti pada gambar 3.7 digunakan untuk memasukkan data pengguna estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
Gambar 3.7. Admin
Isi username, password dan klik tombol simpan untuk menyimpan data admin. Klik tombol edit kemudian isi password dan klik tombol simpan untuk mengubah data admin. Klik tombol hapus dan pilih oke untuk menghapus data admin.
3.3 Pengujian Sistem
Pengujian estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear
pada SMK Bina Nusantara Ungaran akan dilakukan terhadap data hasil estimasi dengan nilai mid dari nilai siswa SMK Bina Nusantara Ungaran menggunakan RMSE (Root Mean Square Error) dengan rumus
RMSE=
√
Σ
i=1 n(
Y i – Ŷ i)²
n
Tabel 4.7. Pengujian RMSE
No Yi Ŷi Yi - Ŷi ( Yi – Ŷi )2 1. 35 53 -18 324 2. 50 53 -3 9 3. 65 53 12 144 4. 80 53 27 729 5. 35 53 -18 324 6. 76 53 23 529 7. 90 53 37 1369 8. 63 53 10 100 9. 55 53 2 4 10. 47 53 -6 36 11. 39 53 -14 196 12. 25 53 -28 784 13. 48 53 -5 25 14. 79 53 26 676 15. 61 53 8 64 16. 43 53 -10 100 17. 42 53 -11 121 18. 54 53 1 1 19. 83 53 30 900 20. 54 53 1 1 21. 25 53 -28 784 22. 65 53 12 144 23. 34 53 -19 361 24. 54 53 1 1 25. 60 53 7 49 26. 53 53 0 0 27. 46 53 -7 49 28. 53 53 0 0 29. 43 53 -10 100 30. 33 53 -20 400 Jumlah 8324 RMSE 277.4 7
Hasil dari perhitungan standar error tergolong besar yaitu 277.47. Dikatakan besar karena standar error yang didapat masih jauh mendekati kisaran 0.0 – 1.0.
4. Kesimpulan
1. Terciptanya estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran.
2. Estimasi nilai bahasa inggris SMK BINA NUSANTARA Ungaran pada semester I tidak berhubungan antara variabel nilai UHT 1, nilai UHT 2, nilai UHT 3 dan nilai UHT 4 terhadap nilai mid pada masing-masing jurusan (TKJ, Garmen, TSM, dan DKV) dengan menggunakan algoritma regresi linear berganda.
3. Hasil pengujian estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran pada semester I dilakukan dengan menggunak perhitungan hasil estimasi standar error RMSE (Root Mean Square Error) sebesar 277.47.
5. Saran
Berikut ini saran penulis terhadap pengembangan dan penerapan estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran lebih lanjut yaitu :
1. Estimasi penerapan data mining untuk nilai bahasa inggris dengan menggunakan algoritma regresi linear pada SMK Bina Nusantara Ungaran dapat ditambahkan dengan metode estimasi lainnya agar hasil estimasi lebih akurat.
Untuk melakukan estimasi nilai bahasa Inggris di periode mendatang akan lebih baik jika tidak menggunakan perhitungan secara manual tetapi menggunakan aplikasi atau program sehingga akurasinya lebih tepat.
UCAPAN TERIMA KASIH
Puji syukur kehadirat Allah SWT, yang telah melimpahkan rahmat dan karuniaNya sehingga penulis dapat menyelesaikan laporan Tugas Akhir yang berjudul “Estimasi Nilai Bahasa Inggris Menggunakan
Algoritma Regresi Linier Pada SMK Bina Nusantara Ungaran” pada waktu yang telah ditetapkan karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu, penulis mengucapkan rasa terima kasih kepada:
1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Abdul Syukur, selaku Dekan Fakultas Ilmu Komputer.
3. Dr. Heru Agus Santoso, M.Kom, selaku Ketua Program Studi Teknik Informatika Strata Satu.
4. Ardytha Luthfiarta, M.Kom, selaku dosen wali yang telah memberikan nasihat dan bimbingan kepada penulis.
5. Ajib Susanto, M.Kom, selaku dosen pembimbing yang telah memberikan ide penelitian dan bimbingan yang berkaitan dengan penelitian penulis sehingga penulis dapat menyelesaikan penelitian ini dengan baik.
6. De Rosal Ignatius Moses Setiadi, M.Kom, selaku Koordinator Tugas Akhir Teknik Informatika-S1.
7. Dosen-dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu sehingga penulis dapat mengimplementasikan ilmu yang telah didapatkan.
8. Ibu Neni Mulyani, S.Pd di SMK Bina Nusantara Ungaran, yang telah membantu kelancaran proses penelitian.
9. Kedua orang tua, adek, dan keluarga besar yang telah memberikan dorongan, nasihat, kasih sayang, doa, dan dukungan material maupun dukungan spiritual. 10. Teman-teman seperjuangan Universitas
Dian Nuswantoro yang tidak bisa di sebutkan satu persatu.
Semoga Allah SWT memberikan balasan yang lebih besar kepada beliau-beliau, dan pada akhirnya penulis berharap bahwa penulisan
laporan Tugas Akhir ini dapat
bermanfaat dan berguna sebagaimana
fungsinya.
DAFTAR PUSTAKA
[1] Holisatul Munawaroh, Bain Khusnul, and Yeni Kustiyahningsih, "Perbandingan Algoritma ID3 dan C5.0
Dalam Identifikasi Penjurusan Siswa SMA," Jurnal Sarjana Teknik Informatika, vol.1, hlm 1-12, 2013. [2] Ian H. Witten, Eibe Frank, and Mark A.
Hall. Data Mining: Practical Machine Learning Tools and Techniques Third Edition. Elsevier. 2011.
[3] Obbie Kristanto, "Penerapan Algoritma Klasifikasi Data Mining ID3 Untuk Menentukan Penjurusan Siswa SMAN 6 Semarang," 2014.
[4] Silian Shen and Jianling Cui, "Estimation and Inference of the Fuzzy Linear Regression Model with L Fuzzy Observations," Fifth International Joint Conference on Computational Science and Optimization, 2012.
[5] Yuliana, "Penerapan Model Regresi Linear Robust Dengan Estimasi M Pada Data Nilai Kalkulus II Mahasiswa Universitas Widya Dharma Klaten," 2014.
[6] Ali Fikri, "Penerapan Data Mining Untuk Mengetahui Tingkat Keakuratan Beton Yang Akan Dihasilkan Dengan Metode Estimasi Menggunakan Linear Regression," 2013.
[7] Eggy Inaidi Andana Warih, "Penerapan Data Mining Untuk Menentukan Estimasi Produktivitas Tanaman Tebu Dengan Menggunakan Algoritma Linear Regresi Berganda di Kabupaten Rembang," 2015.
[8] Yuniarsi Rahayu, "Penerapan Metode Numerik Pada Peramalan Untuk Menghitung Koefisien-koefisien Pada Garis Regresi Linear Berganda," Seminar Nasional Teknologi Informasi & Komunikasi Terapan, 2011.
[9] Daniel T. Larose and Chantal D. Larose. Discovering Knowledge In Data: An Introduction to Data Mining Second Edition. Wiley. 2014.
[10] Florin Gorunescu. Data Mining: Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer. 2011.
[11] Jiawei Han, Micheline Kamber, and Jian Pei. Data Mining: Concepts and
Techniques Third Edition. Elsevier. 2012.
[12] Kusrini and E.T. Luthfi. Algoritma Data Mining. Yogyakarta. Andi Offset. 2009. [13] E. Prasetyo. Data Mining: Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta. Andi Offset. 2014. [14] R. Lungan. Aplikasi Statistika dan
Hitung Peluang. Yogyakarta. Graha Ilmu. 2006.
[15] Catharina Sri Wahyu Widayati, "Komparasi Beberapa Metode
Estimasi Kesalahan Pengukuran," Jurnal Penelitian dan Evaluasi Pendidikan. 2009.
[16] Vijay Kotu and Bala Deshpande, Ph.D. Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner. Elsevier. 2015.
[17] M. Gugun, “Modul Materi Perkuliahan Ilmu Komputer,” Available: https://gugunawan.wordpress.com/categor y/matematika-danalgoritma/page/3/. [Accessed 3 Junuari 2016].
